CN113850692A - 一种基于深度学习的城市供水系统闸泵群优化调度方法 - Google Patents

一种基于深度学习的城市供水系统闸泵群优化调度方法 Download PDF

Info

Publication number
CN113850692A
CN113850692A CN202111127085.6A CN202111127085A CN113850692A CN 113850692 A CN113850692 A CN 113850692A CN 202111127085 A CN202111127085 A CN 202111127085A CN 113850692 A CN113850692 A CN 113850692A
Authority
CN
China
Prior art keywords
water
water supply
pump
supply system
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111127085.6A
Other languages
English (en)
Inventor
苑希民
刘奔
何立新
田福昌
曹鲁赣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202111127085.6A priority Critical patent/CN113850692A/zh
Publication of CN113850692A publication Critical patent/CN113850692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习的城市供水系统闸泵群优化调度方法。本发明包括以下步骤：1.构建城市供水系统多目标闸泵群优化调度模型，模型由目标函数和约束条件构成；2.构建城市供水系统水质水量耦合仿真模型，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到；3.通过步骤二所构建的仿真模型；4.对步骤三中多种数据进行缩放、反转等处理，并按照固定时间步长进行取值；5.将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练；步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。本发明显著地缩短了模型求解时间，简化计算过程。

Description

一种基于深度学习的城市供水系统闸泵群优化调度方法
技术领域
本发明涉及超图卷积神经网络、应急防灾领域的计算机仿真技术，具体涉及一种基于深度学习的城市供水系统闸泵群优化调度方法。
背景技术
城市供水系统是世界范围内的一个庞大的基础设施，从社会、工业和环境的各个方面来看，它对当代人类的生存至关重要。城市供水系统闸泵群优化调度是进行供水系统调度的基础技术手段，也是提高供水效率的重要非工程措施之一，对保障人民群众用水安全具有一定的现实意义。
目前，在进行城市供水系统闸泵群优化调度计算时，决策变量的选取会对计算结果产生很大的影响，目前决策变量的选取常常依据研究者的个人经验，有很大的主观性。且现有多目标供水系统闸泵群优化调度模型计算要迭代上千次对偏微分方程的求解，存在计算量大，耗时久的缺点。
发明内容
针对现有城市供水系统闸泵群优化调度模型存在的计算效率低、模型调试时间较长、决策变量选取偏离现实的问题，本发明提出了一种基于深度学习的城市供水系统闸泵群优化调度方法，将超图卷积神经网络与供水系统优化调度模型结合，实现闸泵群优化调度。
本发明的一种基于深度学习的城市供水系统闸泵群优化调度方法，该方法包括以下步骤：
步骤一、构建城市供水系统多目标闸泵群优化调度模型，优化模型的目的是确定最优的闸门和泵站操作，因此该模型的决策变量为闸门设计流量和泵站过流能力。模型由目标函数和约束条件构成。
(1)目标函数
该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数。
①泵运行能耗以水泵电费表示
目标函数表达式：
Figure BDA0003279239980000021
其中：Wt为t时刻水泵电费之和，wt为t时刻单位电费，Np为泵总数，Ejt为t时刻水泵j的能耗率，Xjt为t时刻水泵j的转速比。
②供水社会效益以水量供需差表示
目标函数表达式：
Figure BDA0003279239980000022
其中：F2(x)为社会效益值，βj为缺水权重系数，Xij为水厂需水量。
③水质污染指数以供水系统中BOD5、NH3-N、二甲基异莰醇等污染物浓度表示
目标函数表达式：
Figure BDA0003279239980000023
其中：Ci为供水系统水质浓度，mg/L；Si为该水质指标的标准值，mg/L；
Figure BDA0003279239980000024
为该水质指标的标准值，mg/L；
(2)约束条件
①水源供水能力约束
Figure BDA0003279239980000025
其中：
Figure BDA0003279239980000026
为水源i的最小供水量；
Figure BDA0003279239980000027
为水源i的最大供水量。
②水厂时段净水能力约束：
pj,t，，Pj,t (5)
其中：pj，t为j水厂t时刻供水量；Pj，t为j水厂t时刻净水量。
③泵站过流能力约束：
0≤Qp(t)≤Qp，max (6)
Figure BDA0003279239980000028
其中：Qp(t)为第p个泵站t时刻抽排流量，m3/s；Qp，max为p个泵站最大设计流量，m3/s；Dp(t)为泵站在t时刻入流量，m3/s；Dpb为泵站抽排能力，m3/s；Zp(t-1)为泵站在t时段初的前池水位，m；Zyp为泵站预排水位，m。
④闸门设计流量约束：
0≤Qn(t)≤Qn，max (8)
其中：Qn(t)为第n个闸门在t时刻的过流量，m3/s；Qn，max为第n个闸门的设计流量，m3/s。
步骤二：构建城市供水系统水质水量耦合仿真模型，实现对供水系统实际水力状态的仿真模拟。该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到。
步骤三、通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测。
步骤四、对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转等处理，并按照固定时间步长进行取值。
步骤五、将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系。
步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。
其中步骤六所述求解过程如下：
①将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n1，n2，…，ni，α，Dx，ωf)T，采用ε-支配法对解集进行排序，其中ε表示解集最小分辨率，影响解集求解精度和进化速度。
②利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解。
③在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异。每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子。
④分别从档案和种群中随即均匀选取1个、k-1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中。
⑤结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子代个体所对应步骤一中的三个目标函数值。
⑥检验目标函数值是否满足相应的约束条件，若不满足，则重新调整进化策略，对解集进行调整，进而改变三个目标函数的的数值，如此循环计算，直到求解出满足要求的解集。
与现有技术相比，本发明结合了超图卷积神经网络与供水系统优化调度模型，不仅揭示了水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系，为决策变量的选取提供参考；而且有效解决了城市供水系统多目标优化调度模型求解复杂的问题，与常规求解方法相比显著地缩短了模型求解时间，简化计算过程。本发明可应用于部分多目标城市供水系统闸泵群优化调度问题。
附图说明
图1为本发明的一种基于深度学习的城市供水系统闸泵群优化调度方法整体流程图。
具体实施方式
以下结合附图，对本发明的技术方案进行详细说明。
超图卷积神经网络模型是深度学习近年来发展出的模型，将训练的超图卷积神经网络模型用于求解多目标城市供水系统闸泵群优化调度模型，可大大提高计算效率。Borg算法凭借其良好的搜索能力，在求解多目标优化问题中得到了广泛应用。
如图1所示，为本发明的一种基于超图卷积神经网络的供水系统多目标闸泵群优化调度方法整体流程图。该流程具体包括以下的步骤：
步骤一、构建城市供水系统多目标闸泵群优化调度模型，优化模型的目的是确定最优的闸门和泵站操作，因此该模型的决策变量为闸门设计流量和泵站过流能力。模型由目标函数和约束条件构成。
(1)目标函数
该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数。
①泵运行能耗以水泵电费表示
目标函数表达式：
Figure BDA0003279239980000051
其中：Wt为t时刻水泵电费之和，wt为t时刻单位电费，Np为泵总数，Ejt为t时刻水泵j的能耗率，Xjt为t时刻水泵j的转速比。
②供水社会效益以水量供需差表示
目标函数表达式：
Figure BDA0003279239980000052
其中：F2(x)为社会效益值，βj为缺水权重系数，Xij为水厂需水量。
③水质污染指数以供水系统中BOD5、NH3-N、二甲基异莰醇等污染物浓度表示
目标函数表达式：
Figure BDA0003279239980000053
其中：Ci为供水系统水质浓度，mg/L；Si为该水质指标的标准值，mg/L；
Figure BDA0003279239980000054
为该水质指标的标准值，mg/L；
(2)约束条件
①水源供水能力约束
Figure BDA0003279239980000055
其中：
Figure BDA0003279239980000056
为水源i的最小供水量；
Figure BDA0003279239980000057
为水源i的最大供水量。
②水厂时段净水能力约束：
pj，t，，Pj，t (5)
其中：pj，t为j水厂t时刻供水量；Pj，t为j水厂t时刻净水量。
③泵站过流能力约束：
0≤Qp(t)≤Qp，max (6)
Figure BDA0003279239980000061
其中：Qp(t)为第p个泵站t时刻抽排流量，m3/s；Qp，max为p个泵站最大设计流量，m3/s；Dp(t)为泵站在t时刻入流量，m3/s；Dpb为泵站抽排能力，m3/s；Zp(t-1)为泵站在t时段初的前池水位，m；Zyp为泵站预排水位，m。
④闸门设计流量约束：
0≤Qn(t)≤Qn，max (8)
其中：Qn(t)为第n个闸门在t时刻的过流量，m3/s；Qn，max为第n个闸门的设计流量，m3/s。
步骤二：构建城市供水系统水质水量耦合仿真模型，实现对供水系统实际水力状态的仿真模拟。该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型可通过联立求解管网连续性方程、能量方程和水头损失方程后得到。
步骤三、通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测。
步骤四、对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转等处理，并按照固定时间步长进行取值。
步骤五、将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系。
步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果。
其中步骤六所述求解过程如下：
①将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n1，n2，…，ni，α，Dx，ωf)T，将3个目标函数的精度值(水泵电费、水量供需差、水质污染指数)设置为0.001、0.0001、0.01，初始种群大小为200，进化代数为5000，并采用ε－支配法对解集进行排序。
②利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解。
③在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异。每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子。
④分别从档案和种群中随即均匀选取1个、k-1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中。
⑤结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子代个体所对应步骤一中的三个目标函数值。
⑥检验目标函数值是否满足相应的约束条件，若不满足，则重新调整进化策略，对解集进行调整，进而改变三个目标函数的的数值，如此循环计算，直到求解出满足要求的解集。

Claims (1)

1.一种基于深度学习的城市供水系统闸泵群优化调度方法，其特征是，所述方法按照以下步骤进行：
步骤一、构建城市供水系统多目标闸泵群优化调度模型，确定最优的闸门和泵站操作，该模型的决策变量为闸门设计流量和泵站过流能力；所述模型由目标函数和约束条件构成；
(1)目标函数
该模型以泵站运行能耗最低、供水社会效益、水质污染指数为目标函数；
①泵运行能耗以水泵电费表示
目标函数表达式：
Figure FDA0003279239970000011
其中：Wt为t时刻水泵电费之和，wt为t时刻单位电费，Np为泵总数，Ejt为t时刻水泵j的能耗率，Xjt为t时刻水泵j的转速比；
②供水社会效益以水量供需差表示
目标函数表达式：
Figure FDA0003279239970000012
其中：F2(x)为社会效益值，βj为缺水权重系数，Xij为水厂需水量；
③水质污染指数以供水系统中BOD5、NH3-N、二甲基异莰醇等污染物浓度表示
目标函数表达式：
Figure FDA0003279239970000013
其中：Ci为供水系统水质浓度，mg/L；Si为该水质指标的标准值，mg/L；
Figure FDA0003279239970000014
为该水质指标的标准值，mg/L；
(2)约束条件
①水源供水能力约束
Figure FDA0003279239970000021
其中：
Figure FDA0003279239970000022
为水源i的最小供水量；
Figure FDA0003279239970000023
为水源i的最大供水量；
②水厂时段净水能力约束：
pj，t”Pj，t (5)
其中：pj,t为j水厂t时刻供水量；Pj,t为j水厂t时刻净水量；
③泵站过流能力约束：
0≤Qp(t)≤Qp,max (6)
Figure FDA0003279239970000024
其中：Qp(t)为第p个泵站t时刻抽排流量，m3/s；Qp,max为p个泵站最大设计流量，m3/s；Dp(t)为泵站在t时刻入流量，m3/s；Dpb为泵站抽排能力，m3/s；Zp(t-1)为泵站在t时段初的前池水位，m；Zyp为泵站预排水位，m；
④闸门设计流量约束：
0≤Qn(t)≤Qn，max (8)
其中：Qn(t)为第n个闸门在t时刻的过流量，m3/s；Qn,max为第n个闸门的设计流量，m3/s；
步骤二：构建城市供水系统水质水量耦合仿真模型，该模型考虑不同闸门开度和泵站转速比、运行数量下对水质、水量供需差、泵能耗的影响，并利用供水系统实测运行数据完成构建，该数值模型通过联立求解管网连续性方程、能量方程和水头损失方程后得到；
步骤三：通过步骤二所构建的城市供水系统水质水量耦合仿真模型，模拟多种闸门、泵站工况下的供水系统运行情况，构建水质水量预测模型，实现不同水力条件下水量、水质、泵能耗变化预测；
步骤四：对步骤三中多种基于闸门、泵站工况下的供水系统运行情况数据和各监测点水量、水质、泵运行监测数据进行缩放、反转处理，并按照固定时间步长进行取值；
步骤五：将步骤四处理后的数据代入超图卷积神经网络模型进行迭代训练，揭示水动力条件和闸泵群调度规则变化与供水系统节点处水质、水量、泵运行能耗之间复杂的非线性映射关系；
步骤六：采用Borg算法对步骤二所建供水系统闸泵群多目标优化调度模型进行求解，得到最佳供水系统闸泵优化调度结果；
所述步骤六所述求解过程如下：
①将供水系统水质、泵运行能耗值、供水社会效益进行归一化处理，设定供水节点污染指数、泵运行能耗、水处理成本、水量供需差为目标函数的对应解X＝(n1,n2,···,ni,α,Dx,ωf)T，采用ε－支配法对解集进行排序，其中ε表示解集最小分辨率，影响解集求解精度和进化速度；
②利用Borg算法生成初始种群，并建立外部解集档案Archive，用于保存当前最优的非支配解；
③在此求解过程中，遗传算子共有六种，分别为模拟二进制交叉算子+多项式变异、差分进化算子+多项式变异、均匀变异算子、以父代为中心的交叉算子+多项式变异、峰正态交叉算子+多项式变异、单纯形交叉算子+多项式变异；每次选择一种算子进行遗传操作，算子选择规则为：通过建立反馈机制，选择可以产生更高质量子代的算子；
④分别从档案和种群中随即均匀选取1个、k-1个父代个体，随后含有k个父代个体的算子将生成一个子代个体，将此子代个体作为决策变量传入供水系统闸泵群多目标优化调度模型中；
⑤结合步骤五中所构建的超图卷积神经网络模型，可快速计算出当前子代个体所对应步骤一中的三个目标函数值；
⑥检验目标函数值是否满足相应的约束条件，若不满足，则重新调整进化策略，对解集进行调整，进而改变三个目标函数的的数值，如此循环计算，直到求解出满足要求的解集。
CN202111127085.6A 2021-09-26 2021-09-26 一种基于深度学习的城市供水系统闸泵群优化调度方法 Pending CN113850692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111127085.6A CN113850692A (zh) 2021-09-26 2021-09-26 一种基于深度学习的城市供水系统闸泵群优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111127085.6A CN113850692A (zh) 2021-09-26 2021-09-26 一种基于深度学习的城市供水系统闸泵群优化调度方法

Publications (1)

Publication Number Publication Date
CN113850692A true CN113850692A (zh) 2021-12-28

Family

ID=78979449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111127085.6A Pending CN113850692A (zh) 2021-09-26 2021-09-26 一种基于深度学习的城市供水系统闸泵群优化调度方法

Country Status (1)

Country Link
CN (1) CN113850692A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114505862A (zh) * 2022-03-04 2022-05-17 上海大学 一种建筑3d打印移动机械臂站位规划方法及系统
CN114925481A (zh) * 2022-06-30 2022-08-19 江苏大学 一种基于能效指标的水力模型库离心泵性能提升方法
CN116187208A (zh) * 2023-04-27 2023-05-30 深圳市广汇源环境水务有限公司 基于约束强化学习的流域水量水质联合调度方法
CN116562537A (zh) * 2023-03-22 2023-08-08 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116819974A (zh) * 2023-08-30 2023-09-29 北京建筑大学 基于深度强化学习的排水管网末端智能排水方法及系统
CN117130280A (zh) * 2023-09-25 2023-11-28 南栖仙策(南京)高新技术有限公司 泵房控制方法、装置、电子设备及存储介质
CN118068782A (zh) * 2024-01-15 2024-05-24 天津大学 一种基于数字孪生的泵站群运行管控系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629106A (zh) * 2012-04-11 2012-08-08 广州东芝白云自动化系统有限公司 供水控制方法及系统
CN106202618A (zh) * 2016-06-24 2016-12-07 珠江水利委员会珠江水利科学研究院 一种工程调度与感潮河网污染物输移过程耦合的数值模拟方法
CN106951985A (zh) * 2017-03-06 2017-07-14 河海大学 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法
KR101864342B1 (ko) * 2018-02-07 2018-06-04 서울시립대학교 산학협력단 정수지 소독능을 고려한 단기 물 수요예측 기반 송수펌프 최적운영방법
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN111310925A (zh) * 2020-03-27 2020-06-19 三禹水务科技(苏州)有限公司 一种基于加速遗传算法的城市供水原水系统两级优化调度模型
CN111325306A (zh) * 2020-02-05 2020-06-23 河北工程大学 一种基于abc-pso混合算法的供水泵组调度方法
CN111783369A (zh) * 2020-07-22 2020-10-16 中国水利水电科学研究院 一种多闸群明渠调水工程的短期多目标优化调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629106A (zh) * 2012-04-11 2012-08-08 广州东芝白云自动化系统有限公司 供水控制方法及系统
CN106202618A (zh) * 2016-06-24 2016-12-07 珠江水利委员会珠江水利科学研究院 一种工程调度与感潮河网污染物输移过程耦合的数值模拟方法
CN106951985A (zh) * 2017-03-06 2017-07-14 河海大学 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
KR101864342B1 (ko) * 2018-02-07 2018-06-04 서울시립대학교 산학협력단 정수지 소독능을 고려한 단기 물 수요예측 기반 송수펌프 최적운영방법
CN111325306A (zh) * 2020-02-05 2020-06-23 河北工程大学 一种基于abc-pso混合算法的供水泵组调度方法
CN111310925A (zh) * 2020-03-27 2020-06-19 三禹水务科技(苏州)有限公司 一种基于加速遗传算法的城市供水原水系统两级优化调度模型
CN111783369A (zh) * 2020-07-22 2020-10-16 中国水利水电科学研究院 一种多闸群明渠调水工程的短期多目标优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕瑞华;刘奔;安琳;: "水平井转向压裂用暂堵球运移封堵规律研究", 石油机械, no. 07, 10 July 2020 (2020-07-10) *
苑希民;王华；钇淞；冯耀龙;: "洪泽湖与骆马湖水资源连通分析与优化调度耦合模型研究", 水利水电技术, no. 02, 20 February 2016 (2016-02-20) *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114505862A (zh) * 2022-03-04 2022-05-17 上海大学 一种建筑3d打印移动机械臂站位规划方法及系统
CN114925481A (zh) * 2022-06-30 2022-08-19 江苏大学 一种基于能效指标的水力模型库离心泵性能提升方法
CN116562537A (zh) * 2023-03-22 2023-08-08 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116562537B (zh) * 2023-03-22 2023-10-31 珠江水利委员会珠江水利科学研究院 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质
CN116187208A (zh) * 2023-04-27 2023-05-30 深圳市广汇源环境水务有限公司 基于约束强化学习的流域水量水质联合调度方法
CN116187208B (zh) * 2023-04-27 2023-08-01 深圳市广汇源环境水务有限公司 基于约束强化学习的流域水量水质联合调度方法
CN116819974A (zh) * 2023-08-30 2023-09-29 北京建筑大学 基于深度强化学习的排水管网末端智能排水方法及系统
CN116819974B (zh) * 2023-08-30 2023-11-03 北京建筑大学 基于深度强化学习的排水管网末端智能排水方法及系统
CN117130280A (zh) * 2023-09-25 2023-11-28 南栖仙策(南京)高新技术有限公司 泵房控制方法、装置、电子设备及存储介质
CN117130280B (zh) * 2023-09-25 2024-03-15 南栖仙策(南京)高新技术有限公司 泵房控制方法、装置、电子设备及存储介质
CN118068782A (zh) * 2024-01-15 2024-05-24 天津大学 一种基于数字孪生的泵站群运行管控系统

Similar Documents

Publication Publication Date Title
CN113850692A (zh) 一种基于深度学习的城市供水系统闸泵群优化调度方法
WO2022193642A1 (zh) 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法
CN109815523B (zh) 基于分解的列车运行多目标差分进化算法
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN111119282B (zh) 一种针对供水管网的压力监测点优化布置方法
CN104978611A (zh) 一种基于灰色关联分析的神经网络光伏发电出力预测方法
CN111292525A (zh) 基于神经网络的交通流预测方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN108960491A (zh) 基于rbf神经网络的光伏发电量预测方法
CN113887787A (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN115860357B (zh) 活水多目标优化调度方法
CN112016839B (zh) 一种基于qr-bc-elm的洪涝灾害预测预警方法
CN104866918A (zh) 带有水电站的配电网短期负荷预测方法
CN114936742A (zh) 一种供水系统调度代理决策方法
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN112990776B (zh) 一种配网设备健康度评价方法
CN111222762A (zh) 太阳能电池板镀膜工艺状态监控及质量控制系统
CN108805253A (zh) 一种pm2.5浓度预测方法
CN117335425A (zh) 一种基于ga-bp神经网络的潮流计算方法
CN110033118A (zh) 弹性网络建模且基于遗传算法的风机多目标优化控制方法
CN113654143B (zh) 一种基于神经网络的空调水系统泵阀联动控制方法
CN114142467A (zh) 一种基于无精确建模潮流模型的配电网光伏最大接入容量测算方法
Liu et al. Application research of BP neural network optimized by genetic algorithm and particle swarm optimization algorithm in MBR simulation
CN111832873A (zh) 一种旧城区给水管道的管径确定方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination